Aplicación de XGBoost y regresión logística en la predicción de la mortalidad a 90 días en ancianos con insuficiencia renal aguda grave

Por qué esta investigación importa a las familias y a los pacientes

La insuficiencia renal aguda es una pérdida súbita de la función renal que suele afectar a las personas mayores en las unidades de cuidados intensivos. Puede convertir una enfermedad grave en una situación potencialmente mortal, y muchas familias y médicos tienen dificultades para saber qué pacientes corren mayor riesgo de morir en las semanas siguientes. Este estudio plantea una pregunta simple pero importante: ¿pueden las herramientas modernas basadas en datos ayudar a los médicos a identificar con más precisión qué pacientes ancianos con insuficiencia renal grave corren mayor peligro en los próximos tres meses, de modo que la atención pueda adaptarse mejor a ellos?

Quiénes se estudiaron y qué se propuso el equipo

Los investigadores analizaron registros de 7.500 personas mayores de 60 años que ingresaron en una unidad de cuidados intensivos en Boston entre 2008 y 2019 y desarrollaron insuficiencia renal aguda grave. Alrededor de 1.150 de estos pacientes murieron en un plazo de 90 días, lo que subraya lo letal que puede ser esta condición en los adultos mayores. Usando este gran conjunto de datos hospitalarios del mundo real, el equipo comparó dos formas de convertir la información disponible en la cama del paciente—como la edad, la presión arterial, el volumen urinario y las puntuaciones de gravedad de la enfermedad—en una predicción de quién estaría vivo tres meses después.

Dos maneras diferentes de “leer” los datos

El primer método, la regresión logística, es una herramienta estadística de larga trayectoria en la investigación médica. Busca relaciones lineales entre factores de riesgo y resultados y se valora porque los médicos pueden ver con facilidad cómo cada factor, como la edad o la presión arterial, eleva o reduce el riesgo. El segundo método, llamado XGBoost, pertenece a una familia más reciente de herramientas de aprendizaje automático. En lugar de una única línea recta, construye muchos pequeños árboles de decisión que, en conjunto, pueden capturar patrones complejos y no lineales en los datos—por ejemplo, situaciones en las que el riesgo aumenta bruscamente solo cuando varios factores coinciden. Por ello, XGBoost puede, en teoría, extraer más poder predictivo de la misma información hospitalaria, aunque resulta más difícil de interpretar de un vistazo.

Qué revelaron los modelos sobre el riesgo

Ambos enfoques recibieron los mismos datos cuidadosamente depurados y se probaron mediante estrictos y repetidos controles cruzados para evitar el sobreajuste. Varias características destacaron de forma consistente como fuertemente ligadas a la muerte a 90 días. Entre ellas estaban el grado de gravedad del paciente al llegar a la UCI (captado por una puntuación llamada APSIII), la escasa producción de orina, la edad avanzada, los bajos niveles de oxígeno en sangre y la necesidad de fármacos que elevan la presión arterial, conocidos como vasopresores. Tener un cáncer avanzado que se ha diseminado a otros órganos también aumentó considerablemente la probabilidad de fallecer. En conjunto, estos factores dibujan el retrato de pacientes más frágiles cuyo organismo está fallando en varios frentes a la vez.

Qué método de predicción fue mejor

Cuando se compararon ambos modelos cara a cara, los dos hicieron un buen trabajo distinguiendo a los pacientes que sobrevivirían de los que no. Sin embargo, XGBoost rindió ligeramente mejor: en una medida estándar de exactitud llamada área bajo la curva obtuvo 0,851, frente a 0,838 de la regresión logística. El análisis de curvas de decisión, una forma de evaluar la utilidad de un modelo para decisiones clínicas reales, como intensificar el tratamiento, mostró que XGBoost ofrecía un mayor beneficio neto en un rango más amplio de escenarios clínicos. También produjo errores de predicción globalmente menores. Para hacer este modelo complejo más comprensible junto a la cama, el equipo creó un gráfico de “desglose” que muestra, para un paciente individual, cómo cada factor impulsa su riesgo predicho hacia arriba o hacia abajo.

Qué podría significar esto para la atención

Para el lector no especializado, la conclusión es que los ordenadores pueden ahora ayudar a los médicos a estimar, con razonable exactitud, qué pacientes ancianos en la UCI con insuficiencia renal súbita tienen mayor riesgo de morir dentro de tres meses. En este estudio, el método más reciente de aprendizaje automático superó al enfoque tradicional, especialmente cuando muchos factores de salud interactuaban de formas complicadas. Aun así, ambas herramientas se basan en información que los hospitales ya recogen—como la diuresis, la edad, la gravedad de la enfermedad, la presión arterial y la presencia de cáncer avanzado—y están pensadas para apoyar, no sustituir, el juicio clínico. Si se validan más en distintos hospitales, dichos modelos podrían orientar conversaciones más oportunas sobre el pronóstico, ayudar a priorizar recursos escasos de cuidados intensivos y fomentar una vigilancia más estrecha y tratamientos adaptados para aquellos pacientes cuyas funciones renales, y su salud en general, están más en peligro.

Cita: Zeng, J., Zhu, Y., Ye, F. et al. ‌Application of XGBoost and logistic regression in predicting 90 days mortality for elderly severe acute renal failure patients. Sci Rep 16, 7077 (2026). https://doi.org/10.1038/s41598-026-37828-w

Palabras clave: insuficiencia renal aguda, pacientes ancianos en UCI, predicción de mortalidad, aprendizaje automático en medicina, regresión logística frente a XGBoost